Semantic Web Vision

Transcrição

Semantic Web Vision

Kapitel WT:VIII
VIII. Semantic Web
q WWW heute
q Semantic Web Vision
q RDF: Einführung
q RDF: Konzepte
q RDF: XML-Serialisierung
q RDF: Anwendungen
q RDFS: Einführung
q RDFS: Konzepte
q Semantik im Web
q Semantik von RDF/RDFS
q Ontologien
q OWL: Konzepte
q OWL: Logikhintergrund
q OWL: Anwendungen
WT:VIII-1
Semantic Web: Introduction
© STEIN 2005-2014
WWW heute
Bestandsaufnahme
Das World Wide Web ist mittlerweile der bedeutendste Dienst auf dem
Rechnernetz Internet:
q
Antwortzeit, Packet Loss und Up-Time im Internet:
Oktober’05
Oktober’07
[www.internettrafficreport.com]
q
Dezember 2004 gab es ca. 50 Milliarden Dokumente im WWW; davon ca.
8 Milliarden bei Google indiziert.
q
die Anzahl der Dokumente im WWW verdoppelt sich etwa alle 6 Monate.
WT:VIII-2
© STEIN 2005-2014
Bemerkungen:
q Zur Grafik: “The Internet Traffic Report monitors the flow of data around the world. It then
displays a value between zero and 100. Higher values indicate faster and more reliable
connections.”
q Mehr Informationen zur Statistik, Historie, Benutzung und Benutzer des Internet und des
WWW:
– The Internet Society www.isoc.org/internet
– The Internet Systems Consortium http://www.isc.org
WT:VIII-3
© STEIN 2005-2014
WWW heute
Bestandsaufnahme
(Fortsetzung)
Das World Wide Web bietet:
q
HTTP.
Weltweit kann jeder Rechner Informationsquelle für jeden anderen Rechner
sein.
q
HTML, XML.
Es steht ein weltweit vereinheitlichtes Datenformat zur Verfügung, das
beschreibt, wie Informationen dargestellt werden sollen und verknüpft sind.
q
Web-Services.
Weltweit kann jeder Rechner einen Dienst für jeden anderen Rechner zur
Verfügung stellen.
Immer mehr:
q
WT:VIII-4
Metadaten für die Beschreibung von Semantik.
© STEIN 2005-2014
WWW heute
Herausforderungen
[vgl. Sack 2004]
Information Retrieval:
q Synonyme Ü Recall ↓
q Homonyme Ü Precision ↓
q keine Kontexteingrenzung
q zuviele oder zuwenig Ergebnisse
Die Rolle von Semantik:
q Begriffsfindung mit Ontologien
q Begriffsabgrenzung mit Ontologien
q Kontextanalyse mit Ontologien
q automatische Anfrageverfeinerung
q personalisiertes Ranking
q dokumentenübergreifende Beantwortung
von Anfragen. Stichworte: Textsynthese,
Summarization
WT:VIII-5
© STEIN 2005-2014
WWW heute
Herausforderungen
Information Extraction:
q nur von Menschen (gut)
durchführbar
q Erkennung von Genre
(Texttypen)
q Informationsaggregation aus
Bild und Text
q Einschätzung von
Informationsqualität
q Hintergrund- und Weltwissen
aus Ontologien
q (einfache) Schlussfolgerungen
ziehen
WT:VIII-6
© STEIN 2005-2014
WWW heute
Herausforderungen
Personalisierung:
q Anpassung von Inhalten
q Anpassung der Darstellung
q Erkennung von
Verhaltensmustern
q Verallgemeinerung und
Spezialisierung von Inhalten
(Ontologien)
q Abstimmen mit Gewohnheiten
und Präferenzen durch
Deduktion
WT:VIII-7
© STEIN 2005-2014
Bemerkungen:
q Der selbständige Datenaustausch zwischen Maschinen, insbesondere im B2B-Bereich,
wächst.
q Information Overload im Web, Informationsbeschaffung zu zeitaufwendig.
q Informationsbeschaffung im Web quasi nur durch Menschen durchführbar.
WT:VIII-8
© STEIN 2005-2014
Semantic Web Vision
Tim Berners-Lee
“I have a dream for the Web ... and it has two parts.
In the first part, the Web becomes a much more powerful means for
collaboration between people. I have always imagined the information
space as something to which everyone has immediate and intuitive
access, and not just to browse, but to create. [. . . ] Furthermore, the
dream of people-to-people communication through shared knowledge
must be possible for groups of all sizes, interacting electronically with
as much ease as they do now in person.
WT:VIII-9
© STEIN 2005-2014
Semantic Web Vision
Tim Berners-Lee
“I have a dream for the Web ... and it has two parts.
In the first part, the Web becomes a much more powerful means for
collaboration between people. I have always imagined the information
space as something to which everyone has immediate and intuitive
access, and not just to browse, but to create. [. . . ] Furthermore, the
dream of people-to-people communication through shared knowledge
must be possible for groups of all sizes, interacting electronically with
as much ease as they do now in person.
In the second part of the dream, collaborations extend to computers.
Machines become capable of analyzing all the data on the Web—the
content, links, and transactions between people and computers.
A ’Semantic Web’, which should make this possible, has yet to
emerge, but when it does, the day-to-day mechanisms of trade,
bureaucracy, and our daily lives will be handled by machines talking to
machines, leaving humans to provide the inspiration and intuition.”
WT:VIII-10
© STEIN 2005-2014
Bemerkungen:
q Noch eine kurze Charakterisierung des Semantic Web:
“The Semantic Web provides a common framework that allows data to be shared
and reused across application, enterprise, and community boundaries. It is a
collaborative effort led by W3C with participation from a large number of
researchers and industrial partners. It is based on the Resource Description
Framework (RDF), which integrates a variety of applications using XML for syntax
and URIs for naming.”
[www.w3.org/2001/sw]
q Berners-Lees Idee hinter dem „Semantischen Web“ ist die Einsicht, dass es Aufgabe der
Informatik ist, dem Menschen bei der Verarbeitung von Daten zu unterstützen. Diese
Aufgabe wird durch das heutige Web nur bedingt erfüllt.
Seine Zielvorstellung ist eine Vereinigung der Eigenschaften einer (Wissens-) Datenbank
(Daten durch Maschinen verarbeitbar) mit denen des Webs (jeder kann zu jeder Zeit Daten
kreieren und diese beliebig mit anderen verknüpfen), eine Art globale Datenbank.
[Franczyk 2005]
WT:VIII-11
© STEIN 2005-2014
Semantic Web Vision
Beispiel 1: Netzagenten
The phone rang.
When Pete answered, his phone turned the sound down
by sending a message to all the other local devices.
"Mom needs to
see a specialist and then
has to have a series of
physical therapy
sessions..."
Lucy's Semantic Web agent retrieved information about
Mom's prescribed treatment from the doctor's agent,
looked up several lists of providers, and checked for the
ones close to her home ...
... It then began trying to find a match between available
appointment times between Pete's and Lucy's busy schedules.
[Berners-Lee 2001]
WT:VIII-12
© STEIN 2005-2014
Bemerkungen:
q Was ist eine Praxis in der Nähe?
q Wie findet man einen guten Arzt?
q Wie geht man mit persönlichen Präferenzen in den Terminkalendern um?
WT:VIII-13
© STEIN 2005-2014
Semantic Web Vision
Beispiel 1: Netzagenten
(Fortsetzung)
Konsument
Anbieter
Käufer von
- Information
- Waren
- Dienstleistungen
Verkäufer von
- Information
- Waren
- Dienstleistungen
Netzagent (Software)
- Informationsfilterung
- Informationsdarstellung
- Verhandeln
- Assistenz
- Übersetzungsdienste
- Wissensgewinnung
- ...
Wissen über
- Benutzermodelle
- Common Sense
- spezielle Welten
WT:VIII-14
[vgl. Franczyk 2005]
© STEIN 2005-2014
Semantic Web Vision
Beispiel 2: Deduktive Anfragen
<skill-database>
<people>
<Person>
<name>Markus</name>
<knowHow>SGML</knowHow>
</Person>
<Hacker>
<name>Jürgen</name>
<pgp>CB FC A8 17</pgp>
<knowHow>Java</knowHow>
</Hacker>
<seminars>
<Seminar topic="SGML" id="SGM4c">
<attendant>
<name>Dieter</name>
<name>Robert</name>
<name>Rainer</name>
</attendant>
</Seminar>
</seminars>
</skill-database>
<Person name="Rainer">
<knowHow>Mike</knowHow>
</Person>
</people>
Aufgabe:
WT:VIII-15
„Liefere alle Personen.“
© STEIN 2005-2014
Semantic Web Vision
<skill-database>
<people>
<Person>
<name>Markus</name>
</Person>
<Hacker>
</Hacker>
<seminars>
<attendant>
<name>Dieter</name>
<name>Robert</name>
<name>Rainer</name>
</attendant>
</Seminar>
</seminars>
</skill-database>
</Person>
</people>
Aufgabe:
XQuery:
Ergebnis:
//Person/name
<name>Markus</name>
WT:VIII-16
© STEIN 2005-2014
Semantic Web Vision
<skill-database>
<people>
<Person>
<name>Markus</name>
</Person>
<Hacker>
</Hacker>
<seminars>
<attendant>
<name>Dieter</name>
<name>Robert</name>
<name>Rainer</name>
</attendant>
</Seminar>
</seminars>
</skill-database>
</Person>
</people>
Aufgabe:
XQuery:
Ergebnis:
//Person/name
<name>Markus</name>
WT:VIII-17
© STEIN 2005-2014
Semantic Web Vision
<skill-database>
<people>
<Person>
<name>Markus</name>
</Person>
<Hacker>
</Hacker>
(Fortsetzung)
<seminars>
<attendant>
<name>Dieter</name>
<name>Robert</name>
<name>Rainer</name>
</attendant>
</Seminar>
</seminars>
</skill-database>
</Person>
</people>
Aufgabe:
WT:VIII-18
„Liefere alle Personen mit SGML-Wissen.“
© STEIN 2005-2014
Semantic Web Vision
<skill-database>
<people>
<Person>
<name>Markus</name>
</Person>
<Hacker>
</Hacker>
(Fortsetzung)
<seminars>
<attendant>
<name>Dieter</name>
<name>Robert</name>
<name>Rainer</name>
</attendant>
</Seminar>
</seminars>
</skill-database>
</Person>
</people>
Aufgabe:
XQuery:
Ergebnis:
//Person[knowhow=SGML]/name
<name>Markus</name>
WT:VIII-19
© STEIN 2005-2014
Semantic Web Vision
<skill-database>
<people>
<Person>
<name>Markus</name>
</Person>
<Hacker>
</Hacker>
(Fortsetzung)
<seminars>
<attendant>
<name>Dieter</name>
<name>Robert</name>
<name>Rainer</name>
</attendant>
</Seminar>
</seminars>
</skill-database>
</Person>
</people>
Aufgabe:
XQuery:
Ergebnis:
//Person[knowhow=SGML]/name
<name>Markus</name>
WT:VIII-20
© STEIN 2005-2014
Bemerkungen:
q Hacker und Seminarteilnehmer sind auch Personen.
q Von der Beschreibung eines Sachverhalts (hier: name) kann es syntaktische Varianten
geben.
q Common-Sense-Wissen wäre nützlich gewesen: Teilnehmer eines Seminars über SGML
werden auch zu Personen, die SGML-Wissen haben.
WT:VIII-21
© STEIN 2005-2014
Semantic Web Vision
Architektur
WT:VIII-22
© STEIN 2005-2014
Bemerkungen:
q In den letzten Jahren standen die unteren Schichten im Blickpunkt der Entwicklung und des
industriellen Einsatzes. Die Verfechter des Semantic Web hoffen, dass durch die
Etablierung der Basistechnologie auch die semantischen Ebenen den Sprung aus der
Forschung in die breitere Anwendung schaffen.
q Heute fasst man die Ontologie- und die Logikebene oft in einer Ebene zusammen.
WT:VIII-23
© STEIN 2005-2014
The Semantic Web (deductive) Way
WT:VIII-24
© STEIN 2005-2014
Information
need
via Semantic Web
S
example:hasToDoWith
buw:staff
NP
VP
buw:isTaughtBy
buw:teaching-activity
V NP
buw:course
Det
buw:seminar
buw:lecturer
buw:assistent
N
A
WT:VIII-25
buw:teaching-staff
NP
N
buw:webTec-II
buw:Benno-Stein
NLP
RDF
(Morphology, Syntax)
(Semantics, Pragmatics)
© STEIN 2005-2014
Information
need
via Semantic Web
S
example:hasToDoWith
buw:staff
NP
VP
buw:isTaughtBy
V NP
buw:teaching-staff
NP
buw:course
Det
buw:seminar
buw:lecturer
buw:assistent
N
A
N
buw:webTec-II
buw:Benno-Stein
NLP
RDF
The Machine Learning (inductive) Way
WT:VIII-26
© STEIN 2005-2014
Information
need
via Semantic Web
S
example:hasToDoWith
buw:staff
NP
VP
buw:isTaughtBy
V NP
buw:teaching-staff
NP
buw:course
Det
buw:seminar
buw:lecturer
buw:assistent
N
A
buw:webTec-II
N
buw:Benno-Stein
NLP
RDF
Information
need
Information retrieval, IE
➜
Structured query processing
OLAP, KDD
Data mining, Web / Text mining
Machine learning
Statistical analysis
WT:VIII-27
© STEIN 2005-2014
Semantic Web Vision
Semantic Web Way versus Machine Learning Way
Entwicklung von Semantic Web Technologie: (pro Semantic Web)
1998 Berners-Lee. A high-level plan of the architecture of the Semantic WWW.
2009 W3C. OWL 2—Web Ontology Language.
WT:VIII-28
© STEIN 2005-2014
Semantic Web Vision
Entwicklung von Semantic Web Technologie: (pro Semantic Web)
1998 Berners-Lee. A high-level plan of the architecture of the Semantic WWW.
2009 W3C. OWL 2—Web Ontology Language.
Entwicklung von IR, ML und KDD Technologie: (pro Machine Learning)
2002 KSL. TAP. Convert data in a machine-understandable format in real time.
2004 IBM. UIMA The Unstructured Information Management Architecture.
2009 Wolfram Research. Suchmaschine Wolfram Alpha. [Wikipedia]
2010 IBM. What is Watson? DeepQA
WT:VIII-29
© STEIN 2005-2014
Semantic Web Vision
“Unstructured information is the largest and fastest growing source of
information available.”
[www.research.ibm.com]
“Inferring metadata doesn’t work.”
[Tim Bray, Sun, 2005]
“I’d rather make progress by having computers understand what
humans write, than by forcing humans to write in ways computers can
understand.”
[Sergey Brin, Google co-founder]
WT:VIII-30
© STEIN 2005-2014

Semantic Web Vision

Transcrição

Documentos relacionados

Einsatz von Semantic Media Wiki zur Entwicklung einer

USA, San Marcos, California State University San Marcos, Mathematik

W-Seminare ohne_Namen2 - des Holbein

3 1.2.1 Hacking – 4 1.2.2 Cracking – 5 1.2.3 Piraterie – 6 1.2.4

Hacking, Cracking, Cyberwar – müssen wir wirklich reagieren?

Positionen des RDF zum Thema Immobilienmanagement im Umfeld

Prolog-Arithmetik Prolog

Programmheft als pdf

File

Bedienungsanleitung